En el campo médico, la enfermedad de Alzheimer (EA), como una enfermedad cerebral neurodegenerativa muy difícil de diagnosticar, puede causar deterioro cognitivo y declive de la memoria. Muchos trabajos existentes incluyen una variedad de exámenes clínicos neurológicos y psicológicos, especialmente métodos de diagnóstico asistido por computadora (CAD) basados en el registro electroencefalográfico (EEG) o imágenes de resonancia magnética (MRI) mediante el uso de aprendizaje automático (ML) combinado con diferentes pasos de preprocesamiento como análisis de la forma del hipocampo, fusión de características incrustadas, etc., donde el conjunto de datos EEG utilizado para el diagnóstico de EA suele ser grande y complejo, requiriendo la extracción de una serie de características como características de entropía, características espectrales, etc., y rara vez se ha aplicado en la detección de EA basada en aprendizaje profundo (DL), mientras que las imágenes de MRI eran adecuadas tanto para ML como para DL. En cuanto a las imágenes cerebrales de MRI estructural, se pueden encontrar pocas diferencias en la atrofia cerebral entre las tres situaciones: EA, deterioro cognitivo leve (MCI) y Control Normal (NC). Por otro lado, los métodos de DL se han utilizado para diagnosticar EA incorporando imágenes de MRI en los últimos años, pero aún no ha habido muchos modelos selectivos con capas muy profundas. En este artículo, la Resonancia Magnética de Materia Gris (GM) se extrae automáticamente, lo que podría distinguir mejor entre los tres tipos de situaciones como EA, MCI y NC, en comparación con el Líquido Cefalorraquídeo (CSF) y la Materia Blanca (WM). En primer lugar, se utiliza el software FMRIB Software Library (FSL) para el procesamiento por lotes para eliminar el cráneo, el cerebelo y registrar las imágenes heterogéneas, y las herramientas SPM + cat12 en MATLAB se utilizan para segmentar las imágenes de MRI para obtener las imágenes de MRI GM estándar. A continuación, las imágenes de MRI GM son entrenadas por algunas nuevas redes neuronales. Las características del proceso de entrenamiento son las siguientes: (1) El Tresnet, como la red que logra el mejor efecto de clasificación entre varias redes nuevas en el experimento, se selecciona como la red básica. (2) Se integra un mecanismo de campo receptivo múltiple en la red, que está inspirado en neuronas que pueden ajustar dinámicamente los campos receptivos según diferentes estímulos. (3) Toda la red se realiza agregando múltiples canales a la capa convolucional, y el tamaño del núcleo de convolución de cada canal puede ajustarse dinámicamente. (4) Se utiliza el método de aprendizaje por transferencia para entrenar el modelo para acelerar el aprendizaje y optimizar la eficiencia del aprendizaje. Finalmente, logramos precisión del 86.9% para EA vs. NC, 63.2% para EA vs. MCI vs. NC respectivamente, lo que supera a los enfoques anteriores. Los resultados demuestran la efectividad de nuestro enfoque.